一种增强几何信息的晶体图网络用于预测材料性质

摘要 图神经网络（GNNs）以前被用于识别新的晶体材料。然而，几何结构通常不被考虑，或者只被部分考虑。在此，我们开发了一个增强几何信息的晶体图神经网络（GeoCGNN）来预测晶体材料的性质。通过考虑每个节点及其邻居之间的距离向量，我们的模型能够学习完整的拓扑和空间几何结构信息。此外，我们采用了一种基于混合基函数的有效方法将几何信息编码到我们的模型中，使其在多种数据库中优于其他GNN方法。例如，在预测形成能方面，我们的模型比CGCNN、MEGNet和iCGCNN模型分别更准确25.6%、14.3%和35.7%。在带隙方面，我们的模型比CGCNN优出27.6%，比MEGNet优出12.4%。